所以我将代码从旧的OpenMDAO转换为新的OpenMDAO。所有输出和部分梯度都经过验证是正确的。起初问题根本不会优化，然后我意识到旧代码有一些组件没有提供渐变，所以它们自动有限差分。所以我将fd_options [＆＃39; force_fd＆＃39;] = True添加到这些组件中，但它仍然没有优化到正确的值。我检查了总衍生物，但仍然不正确。与旧的OpenMDAO相比，每次迭代也需要相当长的时间。我可以让我的新代码优化到与旧的OpenMDAO代码相同的值的唯一方法是将每个组件设置为有限差异，即使在提供渐变的组件上也是如此。所以我有一些关于旧的和新的OpenMDAO之间的有限差异如何工作的问题：
答案 0 :(得分：2)
因此，旧的OpenMDAO寻找没有衍生物的组件组，并将它们捆绑在一起，形成一个可以有限差分的组。新的OpenMDAO不会这样做，所以这些组件中的每一个都是有限差分的。
我们还没有支持，而且在旧的OpenMDAO中也没有。我们的关键跟踪器确实有一个故事，所以我们最终会有这个功能。
我怀疑可能正在发生的事情是，在经典的OpenMDAO中，有限差分组恰好更好。考虑一个具有一个输入的组件和一个连接到具有10个输入和1个输出的第二个组件的10个输出。如果将它们有限地区分开来，则只需执行一次。如果你单独地对它们进行有限差分，则需要执行第一个组件，并执行组件二的10次执行。这可能会导致明显甚至是重大的性能损失。
单个FD与组FD也可能导致准确性问题，如果有一个重要输入的缩放比其他变量大不相同，那么1.0e-6的默认FD步长是不好的。 （注意：您可以在添加参数或输出时设置step_size，并覆盖该变量的默认值。）
Luckilly，新的OpenMDAO有一种方法可以重新创建旧的OpenMDAO，但它不是自动的。您需要做的是查看您的模型并找出哪些组件可以一起FD，然后创建一个子组并将这些组件移动到该组中。您可以在组中将fd_options['force_fd']设置为True，并将它组合在一起的有限差异。例如，如果你有A - ＆gt; B - ＆gt; C，中间没有任何组件，没有组件，你可以将A，B和C移动到一个新的子组中，并将force_fd设置为True。
如果这不能解决问题，我们可能需要更深入地了解您的模型。